赞
踩
首先上代码。
- class PatchEmbed(nn.Module):
- """ Image to Patch Embedding
- """
- def __init__(self, img_size=256, patch_size=8, in_chans=3, embed_dim=512):
- super().__init__()
- img_size = to_2tuple(img_size)
- patch_size = to_2tuple(patch_size)
- num_patches = (img_size[1] // patch_size[1]) * (img_size[0] // patch_size[0])
- self.img_size = img_size
- self.patch_size = patch_size
- self.num_patches = num_patches
-
- self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
-
- def forward(self, x):
- B, C, H, W = x.shape
- x = self.proj(x)
-
- return x
首先从NLP任务中的embedding开始理解。我们举个例子,假设有下面的句子:
“Could have done better”
我们对其中的每个单词进行编码,为每个单词分配一个数字(索引)。
如,我们使用gpt2进行分词。
- tokenizer = AutoTokenizer.from_pretrained("gpt2")
- tokenizer.add_special_tokens({"pad_token": "[PAD]"}) # 手动添加[PAD]
转回来,这里举如下例子,假设得到编码结果为:
- Could have done better
- 122 8 114 12
我们为每个索引分配一个n维向量,假设n = 5 n=5n=5并得到如下的分配结果(不需要了解是怎么分配的):
- 索引122对应的词向量:0.0190721 -0.04473796 0.03923314 0.04681129 -0.02183579
- 索引8对应的词向量:0.01421751 -0.00090249 0.01750712 -0.03774468 0.04996594
- 索引114对应的词向量:-0.04607415 0.04186441 0.02681447 -0.00218643 0.03448829
- 索引12对应的词向量:-0.03162882 0.03427991 0.0324514 0.03953638 0.01771886
上述整个embedding过程可以概括为:
1.分词,tokenizer
翻译为分词器/划词器。目的是将句子进行分词并且并转化为唯一编码。
2. 编码转词向量 torch.nn.Embedding(max_position_embeddings, embed_dim)
max_position_embeddings:词嵌入层中可以嵌入的最大位置数或最大的位置索引,设置为100,那么词嵌入层将能够为序列中的前100个位置分配不同的嵌入向量。
embed_dim:词向量的维度。
实际上,单词编码是因为计算机并不能直接处理文字,只能处理离散的数字,所以我们首先要将单词通过编码转为计算机可以识别的数字。我们真正要关注的是编码转词向量的过程,这一步才是embedding的核心。可以看到,我们通过embedding把编码后的单词映射到另一个维度空间,用一个新的向量来描述这个单词。这也是理解接下来patchembed的关键。
2. 回到PatchEmbed
首先需要理解一下什么是patch。我们对一张图片可以划分成为多个块,每个块就称为一个patch。如图所示:
从PatchEmbed这个名字我们也能猜到它的作用,PatchEmbed实际上就是对每个patch进行embed输出一个n维向量来代表这个patch。
接下来我们从代码层面理解patchembed这一过程:
首先PatchEmbed继承自nn.Module这个类不用说,我们重点关注一下它的参数img_size, patch_size, in_chans, embed_dim,它们代表的含义分别是
以默认参数img_size=256, patch_size=8, in_chans=3, embed_dim=512为例,相当于输入一幅 通道数为3的图像,每个patch的大小分别为8 × 8 ,总patch数目就相当于
=1024个,相当于把图像分为1024个patch,每个patch编码为一个512维的向量。
代码:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。